podcast.de
Anmeldung
Anmeldung Registrierung
Auto Hell Dunkel
Erweiterte Suche
  1. Startseite
  2. Podcasts
  3. Mathematik, Informatik und Statistik - Open Access LMU - Teil 01/03 Podcast
  4. A mixed approach and a distribution free multiple imputation technique for the estimation of multivariate probit models with missing values
In the present paper a mixed generalized estimating/pseudo­score
equations (GEPSE) approach together with a distribution free
multiple imputation technique is proposed for the estimation of
regression and correlation structure parameters of multivariate
probit models with missing values for an ordered categorical time
invariant variable. Furthermore, a generalization of the squared
trace correlation (R_T^2) for multivariate probit models, denoted
as pseudo R_T^2, is proposed. A simulation study was conducted,
simulating a probit model with an equicorrelation structure in the
errors of an underlying regression model and using two different
missing mechanisms. For a low `true' correlation the difference
between the GEPSE, a generalized estimating equations (GEE) and a
maximum likelihood (ML) estimator were negligible. For a high
`true' correlation the GEPSE estimator turned out to be more
efficient than the GEE and very efficient relative to the ML
estimator. Furthermore, the pseudo R_T^2 was close to R_T^2 of the
underlying linear model. The mixed approach is illustrated using a
psychiatric data set of depressive inpatients. The results of this
analysis suggest, that the depression score at discharge from a
psychiatric hospital and the occurence of stressful life events
seem to increase the probability of having an episode of major
depression within a one­year interval after discharge. Furthermore,
the correlation structure points to short­time effects on having or
not having a depressive episode, not accounted for in the
systematic part of the regression model.

Weitere Episoden

Quantifying overdispersion effects in count regression data

Quantifying overdispersion effects in count regression data

vor 24 Jahren
Graphical chain models for the analysis of complex genetic diseases: an application to hypertension

Graphical chain models for the analysis of complex genetic diseases: an application to hypertension

vor 24 Jahren
Geo-additive models of Childhood Undernutrition in three Sub-Saharan African Countries

Geo-additive models of Childhood Undernutrition in three Sub-Saharan African Countries

vor 24 Jahren
Parametric and Nonparametric Regression with Missing X's - A Review

Parametric and Nonparametric Regression with Missing X's - A Review

vor 24 Jahren
A Selection Model for Bivariate Normal Data, with a Flexible Nonparametric Missing Model and a Focus on Variance Estimates

A Selection Model for Bivariate Normal Data, with a Flexible Nonparametric Missing Model and a Focus on Variance Estimates

vor 24 Jahren
Alle Episoden anzeigen
In Podcasts werben
Schalte jetzt Werbung in Podcasts.
Episode melden

„A mixed approach and a distribution free multiple imputation technique for the estimation of multivariate probit models with missing values“

Worum geht es? Danach fragen wir noch nach dem Grund.

Abonnenten

Teilen

Mein Archiv

Deine Privatkopie der Folgen, die du nicht verlieren willst.

Podcast-Folgen verschwinden. Feeds werden auf die letzten Episoden gekürzt, Hoster räumen alte Dateien ab, Formate wechseln den Anbieter und lassen ihr Archiv zurück. Mit „Mein Archiv“ sichert podcast.de die Folgen deiner Podcasts für dich — angefangen bei den ältesten, denn die sind zuerst weg.

  • Deine gesicherten Folgen bleiben hörbar, auch wenn das Original offline geht.
  • Auch Folgen, die im heutigen Feed gar nicht mehr stehen — podcast.de kennt sie noch.
  • Herunterladen bleibt möglich, solange die Folge beim Podcaster liegt. Der zählt seine Abrufe wie bisher.
Startet bald

Sei beim Start von Mein Archiv dabei

Mein Archiv ist fast fertig. Trag dich ein, dann bekommst du eine E-Mail, sobald es losgeht – und bist von Anfang an dabei. Wir schreiben dir nur zum Start, keine Werbung, keine Weitergabe deiner Daten.

Du bekommst zuerst eine Bestätigungsmail. Abmelden geht jederzeit. Datenschutz